DOI: https://doi.org/10.1038/s41467-026-69080-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41639093
تاريخ النشر: 2026-02-04
المؤلف: Zhiwen Zhu وآخرون
الموضوع الرئيسي: كيمياء السطح والتحفيز
نظرة عامة
تقدم البحث نهجًا جديدًا قائمًا على التعلم العميق لتحقيق تحولات كيميائية مستقلة بدقة رابطة واحدة، مما يعالج تحديًا كبيرًا في علم النانو الجزيئي. الطرق التقليدية، التي غالبًا ما تتطلب تدخل الخبراء، تفتقر إلى القابلية للتكرار وقابلية التوسع. بالمقابل، يستخدم النظام المقترح رؤية الكمبيوتر للتعرف على الجزيئات، والشبكات العصبية لتصنيف حالة الروابط، والتعلم المعزز العميق لتحسين معلمات التفعيل بطريقة مغلقة.
كإثبات للمفهوم، يظهر المؤلفون التفكك الانتقائي لروابط C-Br في بروفيرين رباعي البروم على ركيزة من الذهب (Au(111)). لا يسهل النظام التحولات ذات الرابطة الواحدة فحسب، بل يدعم أيضًا تسلسلات متعددة الخطوات المبرمجة، محققًا دقة عالية عبر أربعة مسارات متميزة. يمثل هذا التقدم تحولًا من المناورات اليدوية المعزولة إلى إطار عمل مستقل بالكامل مدفوع بالبيانات للتحكم في التفاعلات، مما يضع نموذجًا جديدًا للكيمياء الذكية للجزيئات الفردية ويقدم حلاً قابلاً للتوسع للتخليق على السطح.
مقدمة
تسلط المقدمة الضوء على السعي لتحقيق دقة على مستوى الذرة في التحولات الكيميائية، مع التأكيد على أهمية تنشيط أو كسر الروابط الكيميائية الفردية بشكل انتقائي لتعزيز التفاعلية الجزيئية وبناء الهياكل الوظيفية. تواجه الطرق الاصطناعية التقليدية قيودًا في الدقة المكانية والدقة، وهي أمور حاسمة للتفاعلات الخاصة بالجزيئات الفردية أو الروابط. أظهرت التطورات الأخيرة في التخليق على السطح أن الأسطح يمكن أن تسهل تنظيم الجزيئات والتفاعلات، ومع ذلك، لا يزال تحقيق التحكم الحتمي في مسارات التفاعل بطريقة قابلة للتوسع يمثل تحديًا.
ظهرت المجهرية الماسحة النفقية (STM) كأداة محورية، مما يتيح تصوير وتلاعب الجزيئات الفردية بدقة ذرية. قدمت التفاعلات الناتجة عن طرف STM، مثل الانقضاض الانتقائي للروابط وإعادة ترتيب الهيكل الكربوني، رؤى حول التفاعلية الجزيئية على مستوى الرابطة الفردية. ومع ذلك، تتطلب هذه العمليات عادةً إشراف الخبراء وتعديلات يدوية، مما يحد من قابلية التوسع والتكرار. لمعالجة هذه التحديات، دمجت الجهود الأخيرة التعلم الآلي مع تقنيات STM، خاصة من خلال خوارزميات التعلم العميق (DL)، لأتمتة تحليل الصور وتحسين معلمات التفاعل. تُبلغ هذه الورقة عن استراتيجية جديدة مدفوعة بالتعلم العميق لـ STM تسهل التحولات الكيميائية الدقيقة متعددة الخطوات على مستوى الجزيئات الفردية، موضحة بشكل خاص تفكك الروابط C-Br متعددة الخطوات لجزيئات 5,10,15,20-tetra(4-bromophenyl) porphine (TPP-Br4). يتكيف سير العمل DL المطور لتحفيز أحداث كسر الروابط بدقة وموثوقية عالية، مما يمثل خطوة مهمة نحو الكيمياء المستقلة.
النتائج
يقدم قسم النتائج النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. من الجدير بالذكر أن النتائج تظهر أن النموذج المقترح يتفوق على المعايير الحالية، كما يتضح من مقاييس مثل الدقة والموثوقية.
علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، مشيرة إلى أن الاتجاهات الملحوظة يمكن أن توجه اتجاهات البحث المستقبلية والتطبيقات العملية. يؤكد المؤلفون على أهمية هذه النتائج في تعزيز الفهم داخل هذا المجال، مع الاعتراف أيضًا بالقيود المحتملة والمجالات التي تحتاج إلى مزيد من الاستكشاف. بشكل عام، تسهم النتائج في تقديم رؤى قيمة تعزز من المعرفة الحالية.
المناقشة
في هذا القسم، يناقش المؤلفون تطوير سير عمل مستقل للمجهرية الماسحة النفقية (STM) لتفكك الروابط الفردية الانتقائية لنظام TPP-Br4 الجزيئي. يتكون سير العمل من ثلاث مراحل: تحديد المرشحين، وتوصيف حالة الجزيئات، والتلاعب بطرف STM الذي يتحكم فيه التعلم المعزز العميق (DRL). يستخدم النظام خوارزميات رؤية الكمبيوتر لاكتشاف النقاط الرئيسية والتقسيم الدلالي لتحديد الهياكل الجزيئية وحالاتها بدقة، ممثلة كمتجه ثنائي يشير إلى حالة روابط C-Br. يتعلم وكيل DRL، باستخدام خوارزمية Soft Actor-Critic (SAC)، استراتيجيات التلاعب المثلى من خلال التفاعلات مع النظام الجزيئي، مما يعالج تحديات الأساليب التقليدية ذات السياسات الثابتة.
تظهر النتائج أن النظام يمكنه تنفيذ مسارات تفاعل معقدة بشكل مستقل، محققًا معدلات نجاح عالية في كسر الروابط. يبلغ المؤلفون عن معدلات نجاح متباينة لانتقالات التفاعل المختلفة، حيث حققت الانتقال النهائي من TPP-Br3* إلى TPP4* معدل نجاح قدره 78.95%. لا تعزز دمج تقنيات رؤية الكمبيوتر المتقدمة وDRL دقة التفاعلات الانتقائية للروابط فحسب، بل تسمح أيضًا بالتكيف استجابةً للظروف الديناميكية أثناء التلاعب. تسهم هذه العمل بشكل كبير في مجال الكيمياء الجزيئية المدفوعة بالذكاء الاصطناعي وتصنيع النانو، مما يمهد الطريق للتصنيع القابل للتوسع، ذرة تلو الأخرى، للهياكل النانوية الجزيئية.
DOI: https://doi.org/10.1038/s41467-026-69080-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41639093
Publication Date: 2026-02-04
Author(s): Zhiwen Zhu et al.
Primary Topic: Surface Chemistry and Catalysis
Overview
The research presents a novel deep learning-based approach for achieving autonomous chemical transformations with single-bond precision, addressing a significant challenge in molecular nanoscience. Traditional methods, which often require expert intervention, lack reproducibility and scalability. In contrast, the proposed system utilizes computer vision for molecular recognition, neural networks for bond-state classification, and deep reinforcement learning to optimize activation parameters in a closed-loop manner.
As a proof of concept, the authors demonstrate the selective dissociation of C-Br bonds in a tetra-brominated porphyrin on a gold substrate (Au(111)). The system not only facilitates single-bond transformations but also supports programmed multi-step sequences, achieving high fidelity across four distinct pathways. This advancement marks a shift from manual, isolated manipulations to a fully autonomous, data-driven framework for reaction control, establishing a new paradigm for intelligent single-molecule chemistry and offering a scalable solution for on-surface synthesis.
Introduction
The introduction highlights the pursuit of atomic-level precision in chemical transformations, emphasizing the significance of selectively activating or breaking individual chemical bonds for advancing molecular reactivity and constructing functional architectures. Traditional synthetic methods face limitations in spatial resolution and precision, which are critical for single-molecule or bond-specific reactions. Recent advancements in on-surface synthesis have shown that surfaces can facilitate molecular organization and reactions, yet achieving deterministic control over reaction pathways in a scalable manner remains a challenge.
Scanning tunneling microscopy (STM) has emerged as a pivotal tool, enabling imaging and manipulation of individual molecules with atomic resolution. STM tip-induced reactions, such as selective bond cleavages and carbon skeletal rearrangements, have provided insights into molecular reactivity at the single-bond level. However, these operations typically require expert supervision and manual adjustments, limiting their scalability and reproducibility. To address these challenges, recent efforts have integrated machine learning with STM techniques, particularly through deep learning (DL) algorithms, to automate image analysis and optimize reaction parameters. This paper reports a novel deep learning-driven STM strategy that facilitates multi-step bond-precise chemical transformations at the single-molecule level, specifically demonstrating multi-step C-Br bond dissociations of 5,10,15,20-tetra(4-bromophenyl) porphine (TPP-Br4) molecules. The developed DL workflow adapts to induce bond-breaking events with high fidelity and repeatability, marking a significant step toward autonomous chemistry.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Notably, the results demonstrate that the proposed model outperforms existing benchmarks, as evidenced by metrics such as accuracy and precision.
Furthermore, the discussion elaborates on the implications of these findings, suggesting that the observed trends could inform future research directions and practical applications. The authors emphasize the importance of these results in advancing understanding within the field, while also acknowledging potential limitations and areas for further exploration. Overall, the findings contribute valuable insights that enhance the current body of knowledge.
Discussion
In this section, the authors discuss the development of an autonomous scanning tunneling microscopy (STM) workflow for selective single-bond dissociation of the TPP-Br4 molecular system. The workflow consists of three stages: candidate identification, molecular state characterization, and deep reinforcement learning (DRL)-controlled STM tip manipulation. The system employs computer vision algorithms for keypoint detection and semantic segmentation to accurately identify molecular structures and their states, represented as a binary vector indicating the status of C-Br bonds. The DRL agent, utilizing the Soft Actor-Critic (SAC) algorithm, learns optimal manipulation strategies through interactions with the molecular system, addressing the challenges of traditional fixed-policy approaches.
The results demonstrate that the system can autonomously execute complex reaction pathways, achieving high success rates in bond cleavage. The authors report varying success rates for different reaction transitions, with the final transition from TPP-Br3* to TPP4* achieving a success rate of 78.95%. The integration of advanced computer vision techniques and DRL not only enhances the precision of bond-selective reactions but also allows for adaptability in response to dynamic conditions during manipulation. This work contributes significantly to the field of AI-driven molecular chemistry and nanofabrication, paving the way for scalable, atom-by-atom manufacturing of molecular nanostructures.